Algoritmos de aprendizagem de máquinas aplicados em visão computacional

Introdução

O Aprendizado de Máquina e o processamento digital de imagens têm impulsionado a automação de tarefas de análise em áreas críticas, como a saúde e a energia renovável. Contudo, tanto no diagnóstico assistido por computador (CAD) em radiografia de tórax quanto na inspeção termográfica de módulos fotovoltaicos, o desempenho de modelos de Deep Learning é afetado por desafios como baixo contraste entre regiões de interesse e o fundo, severo desbalanceamento de classes e sobreposição de padrões operacionais e anatômicos. Nesse contexto, a combinação de técnicas de pré-processamento para realce de atributos e transferência de aprendizado (Transfer Learning) constitui uma estratégia relevante para aumentar a capacidade discriminativa de sistemas de visão computacional em diferentes domínios.

Objetivo

Avaliar e comparar o impacto do algoritmo de realce de contraste CLAHE (Contrast Limited Adaptive Histogram Equalization) e o desempenho discriminativo das arquiteturas VGG16 e InceptionV3 em dois cenários distintos: classificação multirrótulo de radiografias de tórax e análise de anomalias térmicas em módulos fotovoltaicos.

Método

Utilizaram-se dois conjuntos de dados: radiografias torácicas em incidência PA (NIH ChestX-ray14), contendo 14 patologias distintas, e imagens térmicas de módulos fotovoltaicos contendo oito classes de defeitos, como Hotspots, falhas de diodo e circuitos abertos. As imagens foram submetidas a redimensionamento e equalização adaptativa de contraste por meio do CLAHE. O efeito do pré-processamento foi quantificado pelas métricas Entropia de Shannon e Variância do Laplaciano. Os modelos VGG16 e InceptionV3, pré-treinados na ImageNet, foram otimizados por meio de Transfer Learning em duas etapas, envolvendo o congelamento do backbone seguido de fine-tuning. Adotaram-se a Entropia Cruzada Binária Ponderada como função de perda e as métricas Macro AUC e AUC por classe para avaliação do desempenho.

Resultados e discussão

A aplicação do CLAHE aumentou os indicadores objetivos de qualidade das imagens em ambos os domínios. Nas radiografias, os ganhos em Entropia e Variância do Laplaciano foram de +2,15% e +151,4%, respectivamente, enquanto nas imagens térmicas atingiram +9,12% e +153,89%, indicando maior distribuição de informação nos níveis de intensidade e aumento da nitidez de bordas. No domínio radiológico, o CLAHE proporcionou ganhos de Macro AUC nas duas arquiteturas, com a VGG16 passando de 0,678 para 0,691 e a InceptionV3 de 0,667 para 0,670. No conjunto de dados térmico, a InceptionV3 apresentou aumento de Macro AUC de 0,744 para 0,753 com CLAHE, enquanto a VGG16 alcançou 0,739. Em ambos os cenários, classes caracterizadas por padrões visuais mais marcantes apresentaram os maiores desempenhos discriminativos, destacando-se Hérnia nas radiografias torácicas e String Open Circuit nas imagens térmicas, com AUC superior a 0,92 para esta última.

Conclusão

O algoritmo CLAHE mostrou-se eficaz no realce de atributos em imagens médicas e térmicas. O desempenho relativo das arquiteturas variou conforme o domínio da imagem: a VGG16 apresentou maior Macro AUC nas radiografias torácicas, enquanto a InceptionV3 obteve maior desempenho discriminativo na inspeção termográfica com CLAHE. Esses resultados evidenciam que a escolha da arquitetura pode depender das características específicas de cada aplicação de visão computacional.

Palavras-chave

• CLAHE
• Deep Learning
• Módulos Fotovoltaicos
• Radiografia de Tórax
• Visão Computacional